ACLApr, 2020

TriggerNER：使用实体触发器作为命名实体识别的解释的学习

PDF
TL;DR本文提出一种名为 'entity triggers' 的新方法，通过众包收集注释以减少训练命名实体识别器所需的标注数量，使用自我注意力机制进行软匹配和泛化，提高成本效益，相比传统的神经 NER 框架，只使用注释的 20% 即可获得与 70% 传统标注相当的性能。
named entity recognitionentity triggerslabel-efficient learningself-attentioncost-effective
发现论文，激发创造
  • AutoTriggER: 带辅助触发词提取的命名实体识别

    本文提出了一个新的两阶段框架（AutoTriggER），通过自动生成和利用文本中的 “实体触发器” 来改善命名实体识别的性能，从而能够创建并利用辅助监督。在三个公认的命名实体识别数据集上的实验表明，我们自动提取的触发器与人工触发器非常匹配，AutoTriggER 在平均 0.5 F1 点低的资源设置上比 RoBERTa-CRF 架构有更优的性能表现。

    Sep, 2021

  • Trigger-GNN: 基于 trigger 的图神经网络用于嵌套命名实体识别

    本研究提出了一种基于触发器的图神经网络（Trigger-GNN），通过实体触发编码和语义匹配获取补充注释嵌入，并利用高效的图传递体系结构解决嵌套实体问题。实验表明，Trigger-GNN 在四个公共 NER 数据集上始终优于基线，并能有效缓解嵌套 NER。

    Apr, 2022

  • 通过有效的注释和表示投影进行弱监督的跨语言命名实体识别

    本文提出两种弱监督的跨语言实体标识方法，分别基于注释投影和词嵌入，无需使用目标语言的人工注释数据。同时，我们设计了两种协同解码方案，将两个基于投影的方法的输出相结合，评估表明这种组合性的方法优于其他三种弱监督方法。

    Jul, 2017

  • 使用部分标注的训练数据进行命名实体识别

    研究了使用部分标记数据进行命名实体识别的问题，用迭代算法通过识别假负标签减小其权值，训练带有偏重的 NER 模型，取得 8 种语言的实验结果，并在孟加拉语 NER 语料库中比现有最优算法提高 5 个百分点的 F1 分数。

    Sep, 2019

  • InstructionNER: 一个多任务基于指令的生成框架，用于少样本 NER

    本文提出了一种基于多任务指令的生成式框架 InstructionNER，用于低资源的命名实体识别。实验结果表明，我们的方法在少样本任务中始终优于其他基线模型。

    Mar, 2022

  • 基于示例的命名实体识别

    我们提出了一种新的名词实体识别方法，称为基于示例的实体识别，在缺乏数据的情况下通过受到问答启发，使用少量支持示例来识别新领域中的实体范围，与当前最先进的方法相比，该方法表现出更好的性能，特别是在使用少量支持示例时。

    Aug, 2020

  • 优秀的示范使学习更快：针对低资源 NER 的简单基于演示的学习

    本文提出了一种演示为基础的命名实体识别学习方法，研究了演示策略对模型在低资源情况下性能的影响，并在领域内学习和领域适应中证明了良好的演示可以节省很多标记示例并促进更好的性能表现。

    Oct, 2021

  • 使用领域专用字典学习命名实体标注器

    本文研究使用深度神经模型实现对命名实体的识别，提出了两种神经模型，分别是模糊 CRF 层和 AutoNER 模型，并探讨了如何优化糟糕的监督数据来源以提高 NER 的准确率。实验结果表明，仅使用词典而无需人工操作的 AutoNER 表现最佳，并与最先进的监督基准具有竞争力。

    Sep, 2018

  • 基于因果干预的少样本命名实体识别

    本文提出一种基于因果干预的少样本 NER 方法，通过背门调整和增量学习干预原型，避免了少样本选择偏差所带来的虚假相关性问题，并在不同基准测试中取得了新的最佳表现。

    May, 2023

  • 跨语言命名实体识别的增强迭代知识蒸馏

    本文描述了微软在交叉语种命名实体识别中的新实践方法，使用源语种的标注数据和目标语种的无标注数据，采用半监督学习和强化学习的方法来提取弱监督信号并实现了新的最先进性能优于现有的模型。

    Jun, 2021